深度学习论文: Real-Time Source-Free Object DetectionReal-Time Source-Free Object DetectionPDF: https://arxiv.org/pdf/2606.31834PyTorch代码: https://github.com/shanglianlm0525/CvPytorchPyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks1 概述在自动驾驶与机器人等开放场景中，源域（如晴天城市）训练的检测器部署至目标域（如暴雪或浓雾环境）时，性能常出现严重退化。为应对该问题，无源目标检测（Source-Free Object Detection, SFOD）被提出，旨在不访问源域数据的前提下，仅利用目标域无标注样本驱动模型实现域自适应。然而，现有SFOD方法多基于Faster R-CNN或Deformable DETR等重量级架构，虽精度尚可，但推理速度低（约20–30 FPS）、参数量大（通常40M），难以部署于算力受限的边缘设备。相比之下，YOLOv10等高效